国外基于大众标注系统的标签研究

标签是一种自由形式的关键词元数据。作为一种标题词,它具有直接揭示内容、提供查找功能、表达精炼（多为词或短语）等特点。文章从标签的基本理念,标签的呈现界面,标签的组织对象,包括网页（主要是博客）、音频视频资源等,以及标签与信息检索（检索结果处理、相关度排序、搜索引擎、语义处理）等角度揭示了国外基于大众标注系统的标签的研究进展。     

基于PLSA的大众标注资源主题挖掘*

针对大众标注中用户生成标签的随意性以及无规则性所导致的标签混乱问题,引入潜在语义索引分析PLSA算法,得到特定资源主题下的标签集,为网络信息组织及用户获取提供有效的途径。通过抽取Delicious网站中的用户标注信息,证实PLSA方法对于特定资源的主题特征具有比较好的效果。     

大众标注系统中基于本体的语义检索研究综述

针对大众标注系统中由于用户添加标签的多样性和模糊性导致的检索准确性问题,建立基于本体的大众标注系统语义检索模型,分析需要解决的关键问题,如基于社会化标签建立系统专用的本体和利用构建的本体实现语义检索,据此详细分类并阐述当前研究,并对未来研究进行展望。     

基于LSA的社会化标注系统标签语义检索研究

在分析社会化标注系统标签检索研究现状基础上,针对传统方法可计算性不高、完备性不够、无法分辨自然语言的语义模糊性等不足,提出基于潜在语义分析的社会化标注系统标签语义检索模型,改进标签-资源矩阵权重计算算法,完善社会化标注系统的语义标注方法。并以delicious系统为例,抓取数据进行验证分析,通过对比,证明提出的模型和改进的算法能显著提高标签检索效率。     

社会标注系统中标签推荐方法研究进展

主要对社会标注系统中的标签推荐方法的研究进行概述,首先对社会标注系统标签推荐的特点进行分析,而后从推荐方法的类型入手对领域的研究文献进行研究。最后,总结本文工作,展望社会标注系统中标签推荐方法的研究发展趋势。     

国外大众标注系统研究进展

从理念、系统、用户和标签等四个角度揭示了国外大众标注系统的研究现状,并指出国外大众标注研究的发展阶段和特点;同时介绍了国外有关大众标注研究的概况、存在的不足.在此基础上,通过介绍相关学者的主要观点,分析了大众标注研究的发展趋势.     

利用社会化标签实现P2P语义推荐

针对P2P环境下采用关键字匹配实现信息检索的不足,引入社会化标签,建立基于语义的个性化推荐模型。首先利用P2P节点用户输入的标签及其类名构建P2P社区的标签本体,显示出标签之间的等级关系,然后通过用户历史标签集与社区标签本体匹配,推荐与用户历史标签集语义相关的标签或资源,最终实现语义推荐。最后对模型进行实例验证。     

基于协同标注的B2C电子商务个性化推荐系统研究

针对B2C电子商务系统中“信息过载”与“信息缺失”共存的问题,在综合分析电子商务个性化推荐技术和协同标注基础上,提出采用协同标注方法构建推荐系统为顾客提供个性化的商品信息,描述了该系统的总体结构,并对系统中的概念生成器、查询分析器、商品标签地图等功能模块进行详细论述。     

基于大众标注的P2P语义检索系统模型研究*

在P2P混合模型下,研究基于大众标注的社区资源和社区用户管理机制,构建基于大众标注的P2P语义检索系统模型,并详细阐述系统的各模块功能和检索流程,重点探讨其中资源搜索模块的两种搜索方法。     

语义对等网环境下基于大众标注的社区知识地图构建研究

针对专业标注和单独本体技术带来的更新慢、不易使用的问题,利用大众标注和本体技术相结合的资源标注方式,通过语义标签模型和相似度匹配将大众标注和本体技术结合,获得更加符合资源内容的标签集,并在此基础上建立知识间关系从而形成社区知识地图。最后,以实例验证该方法引入知识地图的可行性。     

基于项类偏好的协同过滤推荐算法

协同过滤是推荐系统中广泛使用的最成功的推荐技术,但是随着系统中用户数目和商品数目的不断增加,整个商品空间上的用户评分数据极端稀疏,传统协同过滤算法的最近邻搜寻方式存在很大不足,导致推荐质量急剧下降。针对这一问题,本文提出了一种基于项类偏好的协同过滤推荐算法。首先为目标用户找出一组项类偏好一致的候选邻居,候选邻居与目标用户兴趣相近,共同评分较多,在候选邻居中搜寻最近邻,可以排除共同评分较少用户的干扰,从整体上提高最近邻搜寻的准确性。实验结果表明,该算法能有效提高推荐质量。     

基于属性值偏好矩阵的协同过滤推荐算法

传统的协同过滤推荐算法面临用户评分数据稀疏性和冷启动问题的挑战.针对上述问题,提出了基于属性值偏好矩阵的协同过滤推荐算法,首先采用奇异值分解(SVD)对用户-项目评分矩阵降维得到目标用户的初始邻居用户集,生成新的用户-项目评分矩阵;然后将用户评分映射到相应的项目属性值上,生成每个用户的属性值偏好矩阵,并基于属性值偏好矩阵进行用户相似性度量,从而缓解了评分数据稀疏性;将新项目的属性值与用户的属性值偏好矩阵进行匹配,从而找出匹配度最高的前N个用户作为新项目的推荐受众.实验结果表明了该算法的有效性.     

基于项目分类预测的协同过滤推荐算法

在电子商务系统中,为了帮助用户有效地发现、过滤和利用信息,信息过滤技术应运而生.协同过滤技术作为其中的一种技术被成功地应用于推荐系统中.随着电子商务用户数目和商品数目的日益增加,整个项目空间上用户评分数据极端稀疏,传统的相似性度量方法均存在各自的弊端,导致推荐系统的推荐质量急剧下降.针对这一不足,提出基于项目分类预测的协同过滤算法,通过对用户评分矩阵中的项目进行相应的分类,缩小邻近搜索的范围,预测项目评分,减少稀疏性,并采用新的相似度计算方法.实验结果表明,该算法能提高个性化推荐算法的准确性.     

融合社会网络的协同过滤推荐算法研究

针对传统协同过滤推荐算法的数据稀疏性及恶意行为等问题,提出一种新的基于社会网络的协同过滤推荐算法。该算法借助社会网络信息,结合用户信任和用户兴趣,寻找目标用户最近邻居,并以此作为权重,形成项目推荐,以提高推荐的准确度。实验表明,相对于传统的协同过滤算法,该算法可有效缓解稀疏性及恶意行为带来的问题,显著提高推荐系统的推荐质量。     

基于用户群体影响的协同过滤推荐算法

协同过滤是推荐系统中广泛使用的推荐技术,对推荐结果可解释强.基于用户的协同过滤是一种重要的系统推荐方法,用户评分数据的极端稀疏性制约着系统的推荐质量.针对上述情况,提出一种基于用户群体影响的协同过滤推荐算法.首先,定义了用户群体的概念并根据群体影响提出两条相应准则;然后,计算用户相似性时,不仅考虑了用户个体之间的相似性,而且考虑了用户所处群体之间的相似性.该算法不仅可以更加精确地刻画用户之间相似度,而且一定程度上增强了推荐系统的稳定性.实验结果表明,该算法能有效地提高系统的推荐质量,而且满足所提出的两条准则.     

一种基于用户标签网络的个性化推荐方法

基于标签进行个性化推荐是目前的一个研究热点,不同的推荐算法对标签进行了不同的处理.用户使用的标签之间存在着某种内在联系,由此可构建用户标签网络.根据这一启示,本文提出了一种基于用户标签网络的个性化推荐算法.首先,将用户标签网络视为用户兴趣模型雏形,利用社会网络分析方法计算标签权重,并以加权标签集的形式表示用户兴趣模型,最后将标签权重转化为资源与用户兴趣的相似度,进而实现个性化推荐.实验表明,本方法能较为准确地揭示用户的兴趣,产生的推荐资源与用户兴趣匹配程度较高.     

基于社会化标签信息熵的个性化推荐算法

认为社会化标签没有特定的组织结构,标签的质量也会有优有劣。此外,同一个社会化标签对不同的人重要程度不尽相同。首先利用信息熵来刻画社会化标签对用户的重要性,然后将基于社会化标签信息熵算法和经典的协同过滤算法的个性化推荐结果进行对比,最后发现基于社会化标签信息熵算法在准确度上提高了10.9%。     

基于FRUTAI算法的布尔型移动在线学习资源协同推荐研究

[目的/意义]针对移动在线学习平台中用户评价具有布尔变量属性的学习资源,提出一种适用于该类资源的协同推荐方法。[方法/过程]首先采用基于用户自身属性和已有好友分布特征的FRUTAI算法,确定目标用户的最近邻集;然后在解决数据稀疏的基础上,提出适用于布尔型移动在线学习资源的协同推荐方法;最后选取实证对象,依据相关评估方法评估推荐结果。[结果/结论]在以豆瓣书评网数据作为数据集的实证中取得了较好的推荐效果。实证结果表明,本文提出的改进的协同推荐算法可以有效地应用于移动在线学习平台中的布尔型学习资源,具有较好的推荐效果。     

一种利用Vague集理论改进的协同过滤推荐算法

针对项目特征难以表达问题,提出采用Vague集理论对其进行提取与表示,在此基础上进行项目相似性聚类,利用聚类内项目相似性对未评分项目进行评分值预测,从而消除协同过滤推荐的稀疏性问题,进而基于预测后的评分矩阵进行相似用户聚类,并在项目聚类簇内实施协同过滤推荐,使推荐更有针对性。实验结果表明,该方法无论在推荐精度还是推荐相关性上都更为有效。